1
Chapitre 3 Expériences multifactorielles plans complets
Plan 2
2- exemple 1 : éléments de l’analyse statistique - utilisation de Statistica
Plan 2
3- exemple 2
Plan 2
4- lien avec la régression - exemple 3
- exemple 4
C hapitre 3
Copyright © Génistat Conseils Inc., 2004, Montréal, Canada
5 à 15 facteurs
plans fractionnaires 2k – p chapitre 4
PHASE ÉTAPES
1 Définir PROBLÈME / PROCESSUS - objectifs 2 Choisir les variables de RÉPONSE (S) Y à mesurer 3 Choisir les VARIABLES facteurs X - l’espace de variation 4 CONCEVOIR le plan expérimental
5 PRÉPARER pour l’expérience 6 CONDUIRE de l’expérience
7 ANALYSE statistique des résultats
8 AGIR avec les conclusions de l’analyse
EXPÉRIMENTATION : étapes
Planifi - cation
Exécution Analyse Transfert
étape 4 : quel plan ?
étape 7 : comment analyser ?
plans facteurs à 2 modalités : tamisage – optimisation discrète plans facteurs à 3 ou 5 modalités : prédiction - optimisation continue
3 Chapitre 3 Copyright © Génistat Conseils Inc., 2004, Montréal, Canada
Exemple 1 : réaction chimique
facteur niveau
A : concentration ( % ) réactif 15 = - 25 = + B : quantité ( lbs ) catalyseur 1 = - 2 = +
réponse Y : rendement réaction ( en % )
facteur A facteur B
espace
expérimental
essai A B Y1 Y2 Y3 total 1 - - 28 25 27 80
2 + - 36 32 32 100 3 - + 18 19 23 60 4 + + 31 30 29 90 Plan de 4 essais et 2 répétitions : n = 3 2
1
15 25 plan répétitions
1 2
3 4
PLAN 2 2 : 2 facteurs à 2 modalités Calcul des effets
effet principal de A = ef (A) = ( - 80 + 100 – 60 + 90) / (2*3) = 50 / 6 = 8.33 effet principal de B = ef (B) = ( - 80 – 100 + 60 + 90 ) / 6 = - 30 / 6 = - 5.00 effet interaction AB = ef (AB= ( + 80 - 100 – 60 + 90 ) / 6 = 10 / 6 = 1.67 effet général (col I) = ef (gen)= ( + 80 + 100 + 60 + 90 ) / 12 = 330 / 12 = 27.50
essai A B AB I Y1 Y2 Y3 total moyenne 1 - - + + 28 25 27 80 26.67
2 + - - + 36 32 32 100 33.34 3 - + - + 18 19 23 60 20.00 4 + + + + 31 30 29 90 30.00
colonnes A - B - AB : contrastes (comparaisons) c-à-d C = ∑ ci Yi où ∑ ci= 0 ci = ± 1
n = 3 produit scalaire 50 - 30 10 330 - 80 + 100 - 60 + 90 = 50
identité
5 Chapitre 3 Copyright © Génistat Conseils Inc., 2004, Montréal, Canada
PLAN 2 2 : 2 facteurs à 2 modalités analyse de la variance:
décomposition de la variabilité totale de Y générée par l’expérience SS A = somme carrés de A = [ ef (A) * 6 ] 2/ 4 n = 50 2/ 12 = 208.33 SS B = somme carrés de A = [ ef (B) * 6 ] 2/ 4 n =-302/ 12 = 75.00 SS AB= somme carrés de AB = [ ef (AB) * 6 ] 2/ 4 n = 10 2/ 12 = 8.33 SST = somme totale carrés = ∑ ( y – y ) 2= 323.00
SSE = somme carrés erreur = SS T - SSA - SS B -SS AB= 31.34 tableau ANOVA
Source Somme carrés df carré moyen F p-value A SSA = 208.33 1 208.33 53.15 0.0001 B SSB = 75.00 1 75.00 19.13 0.0024 AB SSAB= 8.33 1 8.33 2.13 0.1826 erreur SSE = 31.34 8 3.92 = σ2
total SST = 323.00 11
PLAN 2 2 : 2 facteurs à 2 modalités
Variables de codage et équation de prédiction variables de codage
facteur variable de codage A x A= ( A - 20 ) / 5 B x B= ( B - 1.5 ) / 0.5
Y en fonction des variables de codages
Y = 27.5 + ( 8.33 / 2 ) * x A + ( - 5.00 / 2) * x B + ( -1.67 / 2) * x A*x B
= 27.25 + 4.615 * x A- 2.50 * x B– 0.835 *x A * x B Y en fonction des variables d’origine A et B
Y = 27.25 + 4.165 * (A – 20) / 5 - 2.50 * (B – 1.5) / 0.5
– 0.835 * (A - 20 ) / 5 *(B -1.5) / 0.5
= 31.31 + 0.22 * A – 8.89 * B + 0.22 *A * B ( 15 + 25 ) / 2 = 20 ( 25 - 15 ) / 2 = 5
A X A 15 20 25
-1 0 1
B X B 1 1.5 2
-1 0 1 ( 1 + 2 ) / 2 = 1.5 ( 2 - 1 ) / 2 = 0.5 A = 5 * x A+ 20
B = 0.5 * x B+ 1.5
7 Chapitre 3 Copyright © Génistat Conseils Inc., 2004, Montréal, Canada
Variables de codage et équation de prédiction variables de codage
facteur variable de codage A x A= ( A - 20 ) / 5 B x B= ( B - 1.5 ) / 0.5
Y en fonction des variables de codages
Y = 27.5 + ( 8.33 / 2 ) * x A + ( - 5.00 / 2) * x B + ( -1.67 / 2) * x A*x B
= 27.25 + 4.615 * x A- 2.50 * x B– 0.835 *x A * x B Y en fonction des variables d’origine A et B
Y = 27.25 + 4.165 * (A – 20) / 5 - 2.50 * (B – 1.5) / 0.5 – 0.835 * (A - 20 ) / 5 *(B -1.5) / 0.5
= 31.31 + 0.22 * A – 8.89 * B + 0.22 *A * B ( 15 + 25 ) / 2 = 20 ( 25 - 15 ) / 2 = 5
A X A 15 20 25
-1 0 1
B X B 1 1.5 2
-1 0 1 ( 1 + 2 ) / 2 = 1.5 ( 2 - 1 ) / 2 = 0.5 A = 5 * x A+ 20
B = 0.5 * x B+ 1.5
PLAN 2 2 : 2 facteurs à 2 modalités Plans d’expériences avec Statistica
9 Chapitre 3 Copyright © Génistat Conseils Inc., 2004, Montréal, Canada
PLAN 2 2 : 2 facteurs à 2 modalités
29 2
25 3
12
23 2
10 3
11
32 1
25 3
10
27 1
10 3
9
30 2
25 2
8
19 2
10 2
7
32 1
25 2
6
25 1
10 2
5
31 2
25 1
4
18 2
10 1
3
36 1
25 1
2
28 1
10 1
1
Y rend B
cataly A
Répét. conc
Exemple 1: réaction
PLAN 2 2 : 2 facteurs à 2 modalités
choisir les onglets : dans l’ordre - Modèle (spécification )
- ANOVA/effets
11 Chapitre 3 Copyright © Génistat Conseils Inc., 2004, Montréal, Canada
Effets Estimés ; Var.:Y rend; R²=.90299; Aj.:.86662 MC Résidus=3.916667 VD: Y rend
0.833 0.1828
1.46 1.143
1.667 1 * 2
-2.500 0.0024
-4.38 1.143
-5.000 (2) B cataly
4.167 0.0001
7.29 1.143
8.333 (1) A conc
27.500 0.0000
48.14 0.571
27.500 Moy/Ord.Orig
(coeffs) p
Err- t(8) Effet Type
D iag ramm e d e Pa reto des Effe ts Sta nda rd isés VD : Y rend
1.45865
-4.37595
7.29325
p=.05
Es timation de l'Ef f et Standardis é (V aleur A bs olue) 1*2
(2)B c ataly (1)A c onc
Exemple 1:
réaction
PLAN 2 2 : 2 facteurs à 2 modalités
ANOVA; Var.:Y rend; R²=.90299; Aj.:.86662 MC Résidus=3.916667 VD: Y rend
11 323.00 Total SC
3.92 8
31.33 Erreur
0.182776 2.13
8.33 1
8.33 1 * 2
0.002362 19.15
75.00 1
75.00 (2)B cataly
0.000084 53.19
208.33 1
208.33 (1)A conc
p F
MC dl
SC t (8) = ( F )0.5
7.29 4.38 1.46 σ= (3.92) 0.5
= 1.978 Exemple 1:
réaction
13 Chapitre 3 Copyright © Génistat Conseils Inc., 2004, Montréal, Canada
PLAN 2 2 : 2 facteurs à 2 modalités
Moyennes Marginales et Limites de Confiance ( 95.%) VD: Y rend
Plan : 2**(2-0)
NOTE : Erreurs -types des moy. bas ées sur MC Erreur= 3.916667
B cataly 1 B cataly
10 25 2
A conc 15
20 25 30 35 40
Y rend
Max Y : A = 25 B = 1 Exemple 1:
réaction
PLAN 2 2 : 2 facteurs à 2 modalités
Fitted Surface; Variable: Y rend 2**(2-0) design; MS Residual=3.916667
DV: Y rend
34 32 30 28 26 24 22 20
Fitted Surface; Variable: Y rend 2**(2-0) design; MS Residual=3.916667
DV: Y rend
34 32 30 28 26 24 22 -1.2 -1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2 20
A conc -1.2
-1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2
B cataly
Exemple 1: réaction
15 Chapitre 3 Copyright © Génistat Conseils Inc., 2004, Montréal, Canada
Droite de Henry ; Résidus Bruts 2**(2-0); MC Résidus =3.916667
VD: Y rend
-3.0 -2.5 -2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 Résidus
-3.0 -2.5 -2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5 3.0
Valeur Normale Théorique
.01 .05 .15 .35 .55 .75 .95 .99
Valeurs Prévues vs. Résidus 2**(2-0); MC Résidus =3.916667
VD: Y rend
18 20 22 24 26 28 30 32 34 36
Valeurs Prévues -3.0
-2.5 -2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5
Résidus Bruts
Analyse des résidus Exemple 1: réaction
plan 2
3- 8 essais et matrice augmentée
1 1
1 1
1 1 1
8
-1 1
-1 -1 1
1 -1
7
-1 -1
1 -1 1
-1 1
6
1 -1
-1 1
1 -1 -1
5
-1 -1
-1 1
-1 1
1 4
1 -1
1 -1 -1
1 -1
3
1 1
-1 -1 -1
-1 1
2
-1 1
1 1
-1 -1
-1 1
ABC BC
AC C AB
A B Ordre
standard
design et effets principaux
effets d’interaction
double
Y Y1 Y2 Y3 Y4 Y5 Y6 Y7 Y8
interaction triple
matrice augmentée : modèle pour l’analyse statistique matrice
augmentée
= + +
17
- colonnes AB, AC, BC, et ABC sont obtenues par multiplication – exemple AB = A x B
- engendre un maximum de 7 comparaisons appelés CONTRASTES
C = ∑ c
iY
i où ∑c
i = 0c
i = ± 1 - les contrastes sont indépendants car orthogonauxj ≠ j ’ ∑ c
i jc
i j ’= 0
séparation des effets - les contrastes transforment la réponse Y pour obtenir- les effets principaux de A - B - C - les effets d’interaction double AB - AC - BC - l’effet d’interaction triple ABC
- possibilité d’employer la matrice avec plus de 3 facteurs
matrice augmentée : propriétés
Chapitre 3 Copyright © Génistat Conseils Inc., 2004, Montréal, Canada
A : gaz carbonique ( %) : 10 et 12 B : pression (psi) : 25 et 30
C : vitesse remplissage ( bout. / min) : 200 et 250 Y : déviation par rapport hauteur cible
Exemple 2
processus de remplissage bouteilles boisson gazeuses
5 250
30 12
2 16
1 250
30 10
2 15
1 250
25 12
2 14
0 250
25 10
2 13
3 200
30 12
2 12
0 200
30 10
2 11
1 200
25 12
2 10
-1 200
25 10
2 9
6 250
30 12
1 8
1 250
30 10
1 7
2 250
25 12
1 6
-1 250
25 10
1 5
2 200
30 12
1 4
-1 200
30 10
1 3
0 200
25 12
1 2
-3 200
25 10
1 1
Y écart nominal C
vitesse B
pression A
gaz carbon Rep
Plan 2 3 avec 1 répétition n = 2
19 Chapitre 3 1
1 1 1
1 1
1 8
-1 1
-1 -1
1 1
-1 7
-1 -1 1 -1 1
-1 1
6
1 -1 -1 1
1 -1
-1 5
-1 -1 -1 1
-1 1
1 4
1 -1 1 -1 -1
1 -1 3
1 1
-1 -1
-1 -1
1 2
-1 1
1 1
-1 -1
-1 1
ABC BC
AC C AB
A B
essai Y1 Y2 total
- 3 - 1 - 4 0 1 1 - 1 0 - 1
2 3 5 - 1 0 - 1 2 1 3 1 1 2 6 5 11
Copyright © Génistat Conseils Inc., 2004, Montréal, Canada
processus de remplissage bouteilles boisson gazeuses
I 1 1 1 1 1 1 1 1 C=Contraste 24 18 14 6 2 4 4 16
÷ 4 n 3.00 2.25 1.75 0.75 0.25 0.50 0.50 1 effet général n = 2
SS=C2/16 36.00 20.25 12.25 2.25 0.25 1.00 1.00
Exemple 2
processus de remplissage bouteilles boisson gazeuses
Analyse avec Statistica
ANOVA; Var.:Y écart nominal; R-sqr=.9359; Adj:.87981;
MS Residual=.625 DV: Y écart nominal
15 78.00 Total SS
0.63 8
5.00 Error
0.2415 1.60
1.00 1
1.00 1*2*3
0.2415 1.60
1.00 1
1.00 2 by 3
0.5447 0.40
0.25 1
0.25 1 by 3
0.0943 3.60
2.25 1
2.25 1 by 2
0.0022 19.60
12.25 1
12.25 (3)C vitesse
0.0005 32.40
20.25 1
20.25 (2)B pression
0.0001 57.60
36.00 1
36.00 (1)A gaz carbon
p F
MS df
SS
21 Chapitre 3 Copyright © Génistat Conseils Inc., 2004, Montréal, Canada
Exemple 2
processus de remplissage bouteilles boisson gazeuses Pareto Chart of Standardized Effects
.6324555 1.264911 1.264911
1.897367
4.427189 5.6921
7.589466
p=.05
Standardized Effect Estimate (Absolute Value) 1by3
2by3 1*2*3 1by2 (3)C vitesse (2)B pression (1)A gaz carbon
0.1250 0.5447
0.632 0.395 1 by 3 0.25
0.2500 0.2415
1.265 0.395 2 by 3 0.50
0.2500 0.2415
1.265 0.395 1*2*3 0.50
0.3750 0.0943
1.897 0.395 1 by 2 0.75
1.0000 0.0010
5.060 0.198 Mean/Interc. 1.00
0.8750 0.0022
4.427 0.395 (3)C vitesse 1.75
1.1250 0.0005
5.692 0.395 (2)B 2.25
pression
1.5000 0.0001
7.589 0.395 (1)A gaz 3.00
carbon
Coeff.
p Std.Err t(8)
Effect .
Exemple 2
processus de remplissage bouteilles boisson gazeuses
Fitted Surface; Variable: Y écart nominal 2**(3-0) design; MS Residual=.625
DV: Y écart nominal
4 3 2 1 0 -1.2 -1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2 -1
A gaz carbon -1.2
-1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2
B pression
Fitted Surface; Variable: Y écart nominal 2**(3-0) design; MS Residual=.625
DV: Y écart nominal
4.69 4 3 2 1 0 -1
zone recherchée Y = écart = 0
23 Chapitre 3 Copyright © Génistat Conseils Inc., 2004, Montréal, Canada
processus de remplissage bouteilles boisson gazeuses
Normal Prob. Plot; Raw Residuals 2**(3-0) design; MS Residual=.625
DV: Y écart nominal
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Residual -3.0
-2.5 -2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5 3.0
Expected Normal Value
.01 .05 .15 .35 .55 .75 .95 .99
Predicted vs. Residual Values 2**(3-0) design; MS Residual=.625
DV: Y écart nominal
-3 -2 -1 0 1 2 3 4 5 6 7
Predicted Values -1.5
-1.0 -0.5 0.0 0.5 1.0 1.5
Raw Residuals
Analyse des résidus
Notation : plan factoriel complet 2
44 facteurs A, B, C, D variant à 2 valeurs : - (min) et + (max) matrice du plan iden. Réponse
essai A B C D id. Y
1 - - - - (1) y1
2 + - - - a y2
3 - + - - b y3
4 + + - - ab y4
5 - - + - c y5
6 + - + - ac y6
7 - + + - bc y7
8 + + + - abc y8
9 - - - + d y9
10 + - - + ad y10
11 - + - + bd y11
12 + + - + abd y12 13 - - + + cd y13 14 + - + + acd y14 15 - + + + bcd y15 16 + + + + abcd y16
chaque ligne représente un traitement identification présence d’une lettre minuscule implique que le facteur prend la modalité +
ordre standard colonne 1 (A) alternance des signes - + colonne 2 (B) alternance - - + + etc
25
Analyse plan 16 essais : cas particulier régression
y16 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
y15 -1
1 -1 -1 -1 1 1 1 -1 -1 -1 1 1 1 -1 1
y14 -1
-1 1 -1 -1 1 -1 -1 1 1 -1 1 1 -1 1 1
y13 1
-1 -1 1 1 1 -1 -1 -1 -1 1 1 1 -1 -1 1
y12 -1
-1 -1 1 -1 -1 1 -1 1 -1 1 1 -1 1 1 1
y11 1
-1 1 -1 1 -1 1 -1 -1 1 -1 1 -1 1 -1 1
y10 1
1 -1 -1 1 -1 -1 1 1 -1 -1 1 -1 -1 1 1
y9 -1 1
1 1 -1 -1 -1 1 -1 1 1 1 -1 -1 -1 1
y8 -1 -1
-1 -1 1 -1 -1 1 -1 1 1 -1 1 1 1 1
y7 1
-1 1 1 -1 -1 -1 1 1 -1 -1 -1 1 1 -1 1
y6 1
1 -1 1 -1 -1 1 -1 -1 1 -1 -1 1 -1 1 1
y5 -1 1
1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 -1 1
y4 1
1 1 -1 -1 1 -1 -1 -1 -1 1 -1 -1 1 1 1
y3 -1 1
-1 1 1 1 -1 -1 1 1 -1 -1 -1 1 -1 1
y2 -1 -1
1 1 1 1 1 1 -1 -1 -1 -1 -1 -1 1 1
y1 1
-1 -1 -1 -1 1 1 1 1 1 1 -1 -1 -1 -1 1
Y ABCD BCD
ACD ABD ABC CD BD BC AD AC AB D C B
I A
p l a n interactions doubles interactions triples
Chapitre 3 Copyright © Génistat Conseils Inc., 2004, Montréal, Canada
Matrice X
i 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
- colonnes AB, AC, BC, ABC, … sont obtenues par multiplication AB = A x B, … BCD =B x C x D ….
- engendre un maximum de 15 comparaisons appelés CONTRASTES
C = ∑ci Yi où ∑ci = 0 ci = ± 1
- les contrastes sont indépendants : produit de 2 colonnes = 0 séparation des effets
- les contrastes transforment la réponse Y pour obtenir - les 4 effet principaux : A - B - C - D
- les 6 effets d’interactions doubles : AB - AC - AD – BC – BD -CD - les 4 effets d’interaction triples : ABC – ABD – ACD - BCD - l’interaction quadruple : ABCD
- possibilité d’employer la matrice avec plus de 4 facteurs matrice X : propriétés
Analyse du plan de 16 essais
27 modèle et données y i =
∑
βjx ij + εi i = 1, 2, ,…, 16y i : réponse observée à l’essai ( traitement i ) βj : coefficients du modèle à estimer j = 0, 1,.., 15 x ij : constantes connues ( ± 1) - colonnes de la matrice x i0 = 1 i = 1, 2, ,…, 16
j = 0 15
Propriétés matrice X orthogonale
∑
x ij = 0∑
x ij2 = 16∑
x ij x ij’ = 0 j ≠ j’conséquence : simplification des calculs de régression
n données (répétitions) chaque essai y i1, y i 2 ,…, y i n y i =
∑
yik / n : moyenne de l’essais i2 =
∑
( yik -y i)2/ ( n - 1 ) : variance de l’essai y =∑
yi / 16 : grande moyennek k
Analyse du plan de 16 essais
Chapitre 3 Copyright © Génistat Conseils Inc., 2004, Montréal, Canada
Estimation β moindres carrés
β 0 = y βj =
∑
x ijy i /16Modèle ajusté y i = β0 + β1 xi 1 + β2 xi 2+ … + β15 xi 15 Estimation de l’erreur expérimentale σ
σ2=
∑
s i2/
16 estimation directe (erreur pure) remarque si n = 1 plan sans répétition- estimation indirecte basée sur somme des carrés résiduels après l’ajustement du modèle: dépend du modèle ! - autre méthode pour juger de l’importance des effets:
- effets placés sur « half normal prob plot » - méthdode de Lenth
Analyse du plan de 16 essais
29 ANOVA : décomposition de la variabilité
SSTOT =
∑ ∑
(y ik – y ) 2 : variabilité totaleSSMOD = n
∑
( y i – y ) 2 : variabilité expliquée modèle ( inter ) SSINTRA=∑ ∑
(y ik – y i ) 2 : intra variabilité = 16 σ2 = SSERREUR SSTOT = SSMOD + SSINTRA : décomposition de la variabilitéSSMOD = 16n
∑
βj2 : décomposition orthogonale des effets Degrés de libertédf TOT = 16n – 1 : degrés de liberté de SSTOT df MOD = 15 : degrés de liberté de SSMOD
df INTRA = 16(n – 1) : degrés de liberté de SSINTRA
Analyse du plan de 16 essais
Chapitre 3 Copyright © Génistat Conseils Inc., 2004, Montréal, Canada
Tableau d’analyse de la variance
SOURCE SOMME CARRÉS (SS) dl carrés moyens (MS) F ( ou T ) (*)_
modèle SSMOD 15 MSMOD MSMOD/ σ2
x1 16n β12 1 16n β12 16n β12/ σ2
. . 1 . .
x15 16n β152 1 16n β152 16n β152/ σ2
erreur SSERREUR 16 (n-1) MSINTRA= σ2 ---
totale SSTOT 16n – 1 ---
Analyse du plan de 16 essais
(
*
) Les tests de signification F des coefficientsβ (de chaque x ) sont équivalents aux tests faits avec la loi T de Student31
fissures à minimiser
A : temp B: contenu titanium C : traitement chaleur D: quantité rafineur
plan 24 n = 2
A B C D Y1 Y2 -1 -1 -1 -1 1.71 1.91
1 -1 -1 -1 1.42 1.48 -1 1 -1 -1 1.35 1.53 1 1 -1 -1 1.67 1.55 -1 -1 1 -1 1.23 1.38 1 -1 1 -1 1.25 1.26 -1 1 1 -1 1.46 1.42 1 1 1 -1 1.29 1.27 -1 -1 -1 1 2.04 2.19 1 -1 -1 1 1.86 1.85 -1 1 -1 1 1.79 1.95 1 1 -1 1 1.42 1.59 -1 -1 1 1 1.81 1.92 1 -1 1 1 1.34 1.29 -1 1 1 1 1.46 1.53 1 1 1 1 1.38 1.35
Effets Estimés ; Var.:Y long fis; R²=.87285; Aj.:.76813 MC Résidus=.0162296 VD: Y long fis
0.9238 -0.097
0.0450 -0.0044
1*3*4
0.8376 -0.208
0.0450 -0.0094
1 * 3
0.7952 -0.264
0.0450 -0.0119
2*3*4
0.7743 -0.291
0.0450 -0.0131
1*2*4
0.7535 -0.319
0.0450 -0.0144
1*2*3
0.4558 -0.763
0.0450 -0.0344
3 * 4
0.0913 1.790
0.0450 0.0806
2 * 3
0.0572 2.040
0.0450 0.0919
1 * 2
0.0281 -2.401
0.0450 -0.1081
2 * 4
0.0224 -2.512
0.0450 -0.1131
1 * 4
0.0159 -2.678
0.0450 -0.1206
(2)B
0.0002 -4.732
0.0450 -0.2131
(1)A
0.0001 4.982
0.0450 0.2244
(4)D
0.0000 -6.480
0.0450 -0.2919
(3)C
0.0000 69.312
0.0225 1.5609
Moy/Ord.Orig
p t(17)
TypeErr- Effet
Chapitre 3 Copyright © Génistat Conseils Inc., 2004, Montréal, Canada
Exemple 3 fissures
ANOVA; Var.:Y long fis; R²=.87285; Aj.:.76813 MC Résidus=.0162296 VD: Y long fis
31 2.1699 Total SC
0.0162 17 0.2759 Erreur
0.7952 0.070
0.0011 1 0.0011 2*3*4
0.9238 0.009
0.0002 1 0.0002 1*3*4
0.7743 0.085
0.0014 1 0.0014 1*2*4
0.7535 0.102
0.0017 1 0.0017 1*2*3
0.4558 0.582
0.0095 1 0.0095 3 * 4
0.0281 5.763
0.0935 1 0.0935 2 * 4
0.0913 3.204
0.0520 1 0.0520 2 * 3
0.0224 6.308
0.1024 1 0.1024 1 * 4
0.8376 0.043
0.0007 1 0.0007 1 * 3
0.0572 4.161
0.0675 1 0.0675 1 * 2
0.0001 24.816
0.4028 1 0.4028 (4)D
0.0000 41.993
0.6815 1 0.6815 (3)C
0.0159 7.172
0.1164 1 0.1164 (2)B
0.0002 22.390
0.3634 1 0.3634 (1)A
p F
MC dl SC Diagramme de Pareto
des Effets Standardisés VD: Y long fis
-.097134 -.208143
-.263648 -.291401 -.319153
-.763192 1.790032
2.039804 -2.40059
-2.5116 -2.67811
-4.73179 4.981563
-6.48019
p=.05
Estimation de l'Effet Standardisé (Valeur Absolue) 1*3*4
1*3 2*3*4 1*2*4 1*2*3 3*4 2*3 1*2 2*4 1*4 (2)B (1)A (4)D (3)C
33
Exemple 3 fissures
S u r fa c e & C o n to u r s D é s i r a b i l i té ; A j u s te m e n t S p l i n e
1 .0 2 0 .9 8 0 .9 4 0 .9 0 .8 6 0 .8 2 -1 .2
- 1 .0- 0 .8 - 0 .6- 0 .4
- 0 .20 .0 0 .20 .4
0 .60 .8 1 .01 .2 A - 1 .2 - 1 .0 - 0 .8 - 0 .6 - 0 .4 - 0 .20 .00 .20 .40 .60 .81 .01 .2
B
1 0 .9 0 .8 0 .7 0 .6 0 .5 -1 .2
- 1 .0- 0 .8 - 0 .6- 0 .4
- 0 .20 .0 0 .20 .4
0 .60 .8 1 .01 .2 A - 1 .2 - 1 .0 - 0 .8 - 0 .6 - 0 .4 - 0 .20 .00 .20 .40 .60 .81 .01 .2
C
0 .9 5 0 .9 0 .8 5 0 .8 0 .7 5 0 .7 0 .6 5 - 1 .2
- 1 .0- 0 .8 - 0 .6- 0 .4
- 0 .20 .0 0 .20 .4
0.60 .8 1 .01 .2 B - 1 .2 - 1 .0 - 0 .8 - 0 .6 - 0 .4 - 0 .20 .00 .20 .40 .60 .81 .01 .2
C
1 0 .9 0 .8 0 .7 0 .6 0 .5 0 .4 -1 .2
- 1 .0- 0 .8 - 0 .6- 0 .4
- 0 .20 .0 0 .20 .4
0 .60 .8 1 .01 .2 A - 1 .2 - 1 .0 - 0 .8 - 0 .6 - 0 .4 - 0 .20 .00 .20 .40 .60 .81 .01 .2
D
1 .0 2 0 .9 8 0 .9 4 0 .9 0 .8 6 - 1 .2
- 1 .0- 0 .8 - 0 .6- 0 .4
- 0 .20 .0 0 .20 .4
0.60 .8 1 .01 .2 B - 1 .2 - 1 .0 - 0 .8 - 0 .6 - 0 .4 - 0 .20 .00 .20 .40 .60 .81 .01 .2
D
1 0 .9 0 .8 0 .7 0 .6 0 .5 -1 .2
- 1 .0- 0 .8 - 0 .6- 0 .4
- 0 .20.0 0 .20 .4
0 .60 .8 1 .01 .2 C - 1 .2
- 1 .0 - 0 .8 - 0 .6 - 0 .4 - 0 .20 .00 .20 .40 .60 .81 .01 .2
D
P r o f i l s d e s V a l e u r s P r é v u e s e t D é s i r a b i l i t é A
. 8 0 0 0 0 1 . 2 2 5 3 2 . 6 0 0 0
B C D D é s i r a bi l i t é
1 . . 5 0 .
1.23001.71002.1900 Y long fis
- 1 . 1 .
1 . 0 0 0 0
- 1 . - . 5 1 . - 1 . 1 . - 1 . 1 .
Désirabilité
minimum de Y
choix des modalités de A B C D ? (3)C - 0.2919 (4)D 0.2244 (1)A - 0.2131 (2)B - 0.1206 1*4 - 0.1131 2*4 - 0.1081
A = + B = - C = + D = -
fonction de désirabilité de Y 1 si y ≤1.23 (min observé) d ( Y ) = linéaire entre 1.23 et 2.17
0 si y ≥2.17 (max observé)
1.23 2.17 y
d 1 0
Chapitre 3 Copyright © Génistat Conseils Inc., 2004, Montréal, Canada
Exemple 3 fissures
D r oite d e H e n ry ; R és i du s B r uts 2 * *(4 -0); MC R é s id us =.0 13 3 43 6
VD : Y lo n g fis
-0 .3 -0 .2 -0 .1 0 . 0 0 .1 0 .2 0 .3
R é s id u s -3 .0
-2 .5 -2 .0 -1 .5 -1 .0 -0 .5 0 .0 0 .5 1 .0 1 .5 2 .0 2 .5 3 .0
Valeur Normale Théorique
.0 1 .0 5 .1 5 .3 5 .5 5 .7 5 .9 5 .9 9
Valeurs Prévues vs. Résidus 2**(4-0); MC Résidus =.0133436
VD: Y long fis
1.0 1.2 1.4 1.6 1.8 2.0 2.2 2.4
Valeurs Prévues -0.3
-0.2 -0.1 0.0 0.1 0.2 0.3
Résidus Bruts
Valeurs Observées vs . Prévues 2**(4-0); MC Résidus =.0133436
VD: Y long fis
1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 2.1 2.2 2.3
Valeur Observée 1.0
1.2 1.4 1.6 1.8 2.0 2.2 2.4
Valeur Prévue
Analyse des résidus